CarePilot: A Multi-Agent Framework for Long-Horizon Computer Task Automation in Healthcare
यह शोधपत्र CarePilot को प्रस्तुत करता है, जो एक मल्टी-एजेंट फ्रेमवर्क है और विशेष स्वास्थ्य देखभाल प्रणालियों के भीतर जटिल, दीर्घ-अवधि वाले कंप्यूटर कार्यों को स्वचालित करने में मौजूदा विजन-लैंग्वेज मॉडल्स की सीमाओं को दूर करने के लिए ड्यूल-मेमोरी मैकेनिज्म के साथ एक एक्टर-क्रिटिक प्रतिमान (पैरैडाइम) का उपयोग करता है, जिसने नए प्रस्तावित CareFlow बेंचमार्क पर अत्याधुनिक प्रदर्शन हासिल किया है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक बहुत ही बुद्धिमान, लेकिन थोड़े अनाड़ी रोबोटिक सहायक को एक मरीज पर जटिल सर्जरी करने के लिए प्रशिक्षित करने की कोशिश कर रहे हैं। आप केवल यह नहीं कह सकते, "दिल ठीक करो।" आपको उसे सैकड़ों छोटे चरणों के माध्यम से मार्गदर्शन करना होगा: "स्कैल्पल उठाओ," "यहाँ कट लगाओ," "टांके लगाओ," "मॉनिटर चेक करो," "फाइल सेव करो।"
यदि रोबोट चरण 45 पर भ्रमित हो जाता है और गलत बटन दबा देता है, तो पूरी सर्जरी विफल हो जाएगी, और मरीज (या इस मामले में, मेडिकल डेटा) खतरे में पड़ जाएगा।
यह वही समस्या है जिसे "CarePilot" नामक पेपर हल करने की कोशिश कर रहा है, लेकिन यहाँ एक भौतिक रोबोट के बजाय, यह एक कंप्यूटर प्रोग्राम को मेडिकल सॉफ्टवेयर (जैसे एक्स-रे व्यूअर, पेशेंट रिकॉर्ड सिस्टम और लैब टूल्स) को नेविगेट करना सिखा रहा है।
यहाँ बताया गया है कि उन्होंने इसे कैसे किया, जिसे सरल अवधारणाओं में विभाजित किया गया है।
1. समस्या: "शॉर्ट-टर्म मेमोरी" वाला रोबोट
वर्तमान AI मॉडल (जैसे चैटबॉट्स को चलाने वाले मॉडल) सवालों के जवाब देने या ईमेल लिखने में बहुत अच्छे हैं। लेकिन जब आप उनसे किसी विशिष्ट कार्य को करने के लिए एक जटिल मेडिकल सॉफ्टवेयर प्रोग्राम के माध्यम से क्लिक करने के लिए कहते हैं (जैसे "फेफड़े के गांठ को ढूंढें, उसे मापें, और रिपोर्ट सेव करें"), तो वे अक्सर विफल हो जाते हैं।
क्यों?
- वे भूल जाते हैं: उनकी एकाग्रता का समय कम होता है। 20-चरणों वाले कार्य के 10वें चरण तक, वे भूल जाते हैं कि उन्होंने चरण 1 में क्या किया था।
- वे खो जाते हैं: मेडिकल सॉफ्टवेयर भ्रमित करने वाला होता है। इसमें छोटे बटन, अजीब मेनू होते हैं, और हर बार जब अस्पताल अपना अपडेट करता है, तो यह बदल जाता है।
- वे मतिभ्रम (Hallucinate) का शिकार होते हैं: वे अनुमान लगा सकते हैं, "मुझे लगता है कि मुझे यहाँ क्लिक करना चाहिए," भले ही वह बटन वहाँ मौजूद न हो।
लेखकों ने महसूस किया कि इसे ठीक करने के लिए, उन्हें दो चीजों की आवश्यकता थी: एक नया टेस्ट यह देखने के लिए कि रोबट वास्तव में कितने खराब हैं, और एक नया दिमाग जो उन्हें बेहतर सोचने में मदद कर सके।
2. नया टेस्ट: "CareFlow" (मेडिकल ड्राइविंग टेस्ट)
एक बेहतर रोबोट बनाने से पहले, उन्हें एक बेहतर ड्राइविंग टेस्ट की आवश्यकता थी। मौजूदा टेस्ट ऐसे थे जैसे रोबोट को "बाएं मुड़ें" या "कार पार्क करें" कहना। यह बहुत आसान है।
उन्होंने CareFlow बनाया, जो वास्तविक दुनिया के मेडिकल परिदृश्यों की एक विशाल लाइब्रेरी है।
- उपमा: कल्पना कीजिए कि एक ड्राइविंग सिम्युलेटर है जिसमें केवल एक सीधा रास्ता नहीं है। इसमें एक तूफान, एक डायवर्जन, एक टूटा हुआ ट्रैफिक लाइट और निर्देश देने वाला चिल्लाता हुआ यात्री भी है।
- सामग्री: उन्होंने डॉक्टरों और रेडियोलॉजिस्ट द्वारा किए गए 1,100 वास्तविक कार्यों को रिकॉर्ड किया। इन कार्यों में एक्स-रे खोलना, ट्यूमर को ज़ूम करना, उन्हें मापना और पेशेंट रिकॉर्ड को अपडेट करना शामिल है।
- परिणाम: जब उन्होंने मौजूदा AI मॉडल को इस टेस्ट पर चलाया, तो वे बुरी तरह विफल रहे। वे कार्य के बीच में ही खो गए, गलत बटन दबाए और काम पूरा करने में असमर्थ रहे।
3. समाधान: "CarePilot" (पायलट और को-पायलट)
विफल होते रोबोट्स को ठीक करने के लिए, लेखकों ने CarePilot बनाया। उन्होंने केवल एक बड़ा AI नहीं बनाया; उन्होंने दो AIs की एक टीम बनाई जो एक साथ काम करती है, जो इस बात से प्रेरित है कि कैसे एक पायलट और एक को-पायलट विमान उड़ाते हैं।
द एक्टर (द पायलट)
यह वह AI है जो वास्तव में क्लिकिंग और टाइपिंग करता है।
- सुपरपावर: इसके पास दो यादें (Memories) हैं।
- शॉर्ट-टर्म मेमोरी: "मैंने अभी 'ज़ूम' बटन क्लिक किया। अब मुझे ज़ूम करने की आवश्यकता है।"
- लॉन्ग-टर्म मेमोरी: "मैं 15 में से चरण 5 पर हूँ। मेरा लक्ष्य एक ट्यूमर को मापना है। मैं वर्तमान में 'लंग' मॉड्यूल में हूँ।"
- टूलकिट: क्लिक करने से पहले, यह सुनिश्चित करने के लिए कि यह जानता है कि बटन कहाँ हैं, यह विशेष उपकरणों (जैसे आवर्धक लेंस या टेक्स्ट रीडर) का उपयोग करता है। यह अनुमान नहीं लगाता; यह देखता है।
द क्रिटिक (द को-पायलट)
यह वह AI है जो पायलट को देखता है।
- भूमिका: यह माउस को नहीं छूता। यह बस देखता है और कहता है, "रुको! तुमने 'मेजर' क्लिक करने के बजाय 'ज़ूम' क्लिक किया!"
- फीडबैक लूप: यदि पायलट गलती करता है, तो क्रिटिक प्रक्रिया को रोकता है, बताता है कि वह क्यों गलत था, और पायलट को फिर से प्रयास करने में मदद करता है।
- जादू: प्रशिक्षण के दौरान, क्रिटिक पायलट को सिखाता है। एक बार जब पायलट क्रिटिक से पर्याप्त सीख लेता है, तो क्रिटिक पीछे हट जाता है। पायलट इतना स्मार्ट हो जाता है कि वह बिना को-पायलट के सुधार के, अकेले विमान उड़ा सकता है।
4. यह वास्तविक जीवन में कैसे काम करता है ("सर्जरी" की उपमा)
मान लीजिए कि कार्य है: "मरीज का सीटी स्कैन खोलें, लिवर में ट्यूमर खोजें, उसे मापें और एक नोट लिखें।"
- द पायलट (एक्टर) स्क्रीन को देखता है। यह अपनी शॉर्ट-टर्म मेमोरी का उपयोग यह याद रखने के लिए करता है कि इसने अभी फाइल खोली है। यह अपनी लॉंग-टर्म मेमोरी का उपयोग यह याद रखने के लिए करता है कि लक्ष्य "लिवर ट्यूमर" है।
- यह एक टूल (जैसे आवर्धक लेंस) का उपयोग करके "लिवर" बटन को ढूंढता है।
- यह "लिवर" पर क्लिक करता है।
- द क्रिटिक जांच करता है: "अच्छा काम किया। लेकिन रुको, तुमने अभी तक ज़ूम नहीं किया है। तुम दूर से एक छोटे ट्यूमर को नहीं माप सकते।"
- क्रिटिक पायलट की मेमोरी में एक नोट भेजता है: "अगली बार, पहले ज़ूम करें।"
- पायलट फिर से प्रयास करता है, ज़ूम करता है, ट्यूमर को मापता है, और नोट लिखता है।
- क्योंकि पायलट ने क्रिटिक से सीखा है, इसलिए यह हर बार अधिक तेज़ और सटीक होता जाता है।
5. परिणाम: एक नया विश्व रिकॉर्ड
जब उन्होंने दुनिया के सबसे अच्छे AI मॉडल्स (GPT-4 और GPT-5 सहित) के खिलाफ CarePilot का परीक्षण किया:
- पुराने मॉडल: लगभग 25% कार्य सही कर पाए। वे भ्रमित थे और एक ही गलती बार-बार कर रहे थे।
- CarePilot: लगभग 50% कार्य सही कर पाया (और सरल चरणों पर 88% तक)।
- अंतर: CarePilot काफी बेहतर था, जिससे सिद्ध हुआ कि AI को "मेमोरी" और एक "शिक्षक" (क्रिटिक) देने से यह जटिल, लंबे कार्यों में बहुत बेहतर हो जाता है।
सारांश
CarePilot को एक मेडिकल इंटर्न के रूप में समझें जिसके पास फोटोग्राफिक मेमोरी (लॉन्ग-टर्म मेमोरी), एक आवर्धक लेंस (टूल्स) और उनके कंधे पर खड़ा एक सख्त मेंटर (द क्रिटिक) है।
- CarePilot के बिना: इंटर्न बुद्धिमान है लेकिन विस्मृति का शिकार है और अस्पताल के भूलभुलैया में खो जाता है।
- CarePilot के साथ: इंटर्न को याद रहता है कि वह कहाँ है, वह स्पष्ट रूप से देखने के लिए सही उपकरणों का उपयोग करता है, और वह मेंटर की बात सुनता है जब तक कि वह सॉफ्टवेयर का मास्टर न बन जाए।
यह एक बहुत बड़ा कदम है क्योंकि इसका मतलब है कि कंप्यूटर जल्द ही डॉक्टरों को उबाऊ, दोहराव वाले कंप्यूटर कार्यों में मदद कर सकेंगे, जिससे मानव डॉक्टर मरीजों पर ध्यान केंद्रित करने के लिए स्वतंत्र हो सकेंगे।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।